草地生态系统是最重要、分布最广的陆地生态系统，具有牧草供给、防风固沙、水土保持、调节气候、固碳释氧和生物多样性维持等多重生态系统服务功能，在全球生态平衡和碳循环中扮演着重要角色^［1-2］。当前，全球气候变化和人类对草地不合理的开发利用导致草地生态系统发生严重退化，直接影响区域生态安全和可持续发展^［1，3］。因此，深入解析草地退化时空动态特征及其驱动机制，特别是加强草地退化监测与退化程度的量化评估，是草地生态保护和可持续利用的关键所在。联合国《2030年可持续发展议程》明确了17个可持续发展目标（SDG），为遏制和扭转土地退化趋势，SDG 15.3的重要目标是实现土地退化零增长（LDN），其中退化土地（SDG 15.3.1）基准与动态监测是其核心^［4］。然而，当前研究中因采用不同评价指标并且缺乏统一比较基准，导致退化程度的量化主观性强且难以横向比较^［5-6］。

草地退化表现为植被盖度降低、产草量下降、群落结构趋于简单化和土壤退化等自然过程，进而导致生态系统服务功能衰退，草地利用性能降低甚至失去利用价值^［1，7］。其退化评估可使用单项或综合（多项）指标，因土壤退化也会通过植被变化而加以表现，因此研究中多采用植被指标，特别是在结合遥感的大尺度研究中，植被指标占据更为重要的地位^［3，8］，这也与草地提供的最基本的生产服务功能相一致。由于地面调查的时空局限性，卫星遥感技术已成为大尺度草地退化评估的重要手段，长序列植被指数能有效表征草地动态变化过程，常用遥感植被指标包括归一化差值植被指数（NDVI）、土壤调整植被指数（SAVI和MSAVI）、叶面积指数（LAI）、植被覆盖度（FVC）和净初级生产力（NPP）等^［8-10］。表征植被盖度的指标（NDVI、SAVI、LAI、FVC）存在显著的地带性变异特征，难以建立普适性评价标准^［11］；相比之下，NPP作为生态系统物质积累的综合表征，具有明确的物理意义，其动态变化整合了光、温、水、土及CO₂等多因子协同作用，可以反映不同时期草地生态系统植被生产潜力或容量的变化^［3，6］。

草地退化是一个相对概念，作为一种退化过程，其退化程度的判定必然是相对于初始或以前的状态，这就涉及比较的基准问题^［5，11］，当前大尺度研究中多采用的阈值法、特征空间法、约束线法和监督分类等方法^{［10，12］}，均未能有效解决这一关键科学问题。现有研究多采用3种比较基准，即自然基准、历史基准和目标基准^{［5-7，9］}。其中，目标基准因主观性强而难以进行横向对比，如围栏封育区或自然保护地的参照标准，仅适用于局部区域；历史基准虽然客观，但参考年份的选择具有任意性且对环境变化较为敏感；自然基准则基于理论条件构建，统计严谨，能有效排除人为干扰，因此最具客观性。根据Gui等^［5］的研究，气候生产潜力（CPP）可以作为理想的自然基准，即在没有人为干扰的条件下，由光温水肥等环境要素共同决定的最大潜在净初级生产力^［13-14］。近年来CPP估算研究取得了一些进展，已发展出多个成熟的经验模型体系，如Miami模型^［15］、Thornthwaite Memorial模型^［13］、Chikugo模型^［16］、GAEZ模型^［17］和综合模型^［18］等，可以为CPP估算提供初步计算方法和理论基础。因此，由于CPP与气候变化存在动态耦合关系，且在同一评价区域内具有环境一致性，该基准天然具备动态自适应性和客观性。

新疆作为中国六大牧区之一，草地资源具有重要的生态与经济价值。根据第三次全国国土调查数据，其草地面积位居全国第三^［19］，是当地各民族赖以生存的重要生产资料，其生态系统健康状态直接关系到区域可持续发展和生态安全。在全球气候变化与人类活动双重胁迫下，新疆草地生态系统正面临超载放牧、干旱化、风蚀加剧及盐碱化等严峻挑战^［20-21］。过去40年新疆草地NDVI呈轻微上升趋势^［22］，地上生物量持续增加^［23］，整体处于中轻度退化状况^［24］。值得注意的是，尽管天然草地总体状况有所改善，但局部区域仍存在较高退化风险^［20］，这种空间异质性特征亟待深入研究。现有研究结论虽然趋同性明显，但在退化程度的量化评估上差异显著，主要源于评估标准不统一、基准选择差异及尺度效应。

鉴于此，本研究拟通过融合遥感观测数据与气象观测数据，采用Miami模型、Thornthwaite Memorial模型与综合模型相结合的方法，构建以CPP为自然基准的新疆草地退化动态评估体系，定量解析近20年新疆草地退化的时空分异特征。研究旨在解决当前草地退化评估中基准不统一、结果不可比等关键问题，为干旱区草地资源可持续管理及SDG 15.3目标实现提供科学依据。研究成果将为大尺度荒漠化监测提供方法论创新，对保障“一带一路”生态安全具有重要实践价值。

新疆维吾尔自治区（34°25′—48°10′N、73°40′—96°18′E）地处中国西北、欧亚大陆腹地，面积约166.5万km²（图1）。新疆地域广阔，地貌特征鲜明，呈“三山夹两盆”之势，自北而南依次为阿尔泰山、准噶尔盆地、天山山脉、塔里木盆地与昆仑山系。新疆属典型温带大陆性干旱气候，干旱少雨、蒸发强，降水空间分异显著，总体山区多盆地少、西部多东部少、北疆多南疆少，多年平均气温为7.6 ℃，多年平均降水量为158 mm，该地区对全球气候变化非常敏感^［22］。新疆主要植被类型为荒漠和草地，天然草地资源类型多样，总面积约5 198.598万hm²，可分为高山亚高山草甸、平原草原、荒漠草原、草甸以及高山亚高山平地草原5种类型^{［20，24］}，主要分布于天山、阿尔泰山等山系以及准噶尔盆地周缘。广泛分布的多种草地资源，一方面维系着少数民族的生计基础，另一方面通过碳汇、防风固沙等生态功能保障“丝绸之路经济带”的生态安全，然而，受气候变化与超载放牧影响，其可持续管理直接关系到区域生态安全与牧区振兴战略实施。

气候数据来源于青藏高原科学数据中心（https：//data.tpdc.ac.cn），包括中国1 km分辨率逐月降水量及逐月平均气温数据集（1901—2023年），该数据集是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集，通过Delta空间降尺度生成，并使用496个独立气象观测点数据进行验证，验证结果可信^［25］。本文从中截取2001—2023年数据供分析使用，按月平均获取逐年年均气温数据，按月求和得到逐年降水量数据。此外，日尺度太阳辐射数据提取自欧洲中期天气预报中心（ECMWF）研制的AgERA5数据集（https：//doi.org/10.24381/cds.6c68c9bb），该数据集专为农业生态研究设计，基于ERA5小时数据进一步开发和完善，提供从1979年至今的每日地面气象数据，空间分辨率为0.1°，通过按天累加计算得到年太阳辐射量，并使用双线性插值技术统一气候数据的分辨率。

净初级生产力（MOD17A3HGF V6.1）数据和土地覆盖数据（MCD12Q1）均采用目前使用最为广泛的MODIS数据源，使用Google Earth Engine云平台进行处理并下载2001—2023年的数据^［26］，二者的空间分辨率均为500 m。MOD17A3HGF数据以光能利用率和光合有效辐射计算，具备良好的理论基础，提供基于8天净光合作用生产力的年总和数据。MCD12Q1数据集包含5种土地覆盖分类方案，本研究采用UMD分类方案进行草地类型识别，该方案与MOD17A3（GPP/NPP）产品计算初级生产力采用的土地覆盖分类方案保持一致^［27］。UMD方案包括16种土地覆盖类型，为消除土地覆盖类型转换对草地退化分析的影响，确保研究结果的可比性，本研究仅保留研究时段内始终被分类为草地的像元进行分析。

此外，研究区行政边界数据来源于自然资源部标准地图服务网站，在提取研究区边界后，仅利用投影工具进行严格投影转换，确保边界未受到人为修改。中国植被区划数据来源于中国科学院资源环境科学数据中心（https：//www.resdc.cn），应用研究区边界对其进行裁剪处理，结果显示，新疆植被包括温带草原、温带荒漠和青藏高原高寒植被3个区域，并进一步划分为6个植被分区（图1）。分析不同植被地带内草地的退化特征，在保证空间连续性的基础上，便于从区域整体性角度制定草地资源开发利用与退化防治的策略。

本文主要使用Miami模型、Thornthwaite Memorial模型和综合模型进行区域CPP估算，并依据Liebig最小因子定律^［28］取三者中最小值作为CPP参考值。

Miami模型：该模型根据气温和降水因子对植物生产潜力进行估算，采用了全球数据，因而适用于大尺度和全球尺度气候生产潜力研究^［14-15］。

式中：Y_t和Y_p分别为由年平均温度和年降水量决定的气候生产潜力，以干物质计量（g·m^-2·a^-1）；T和P分别为年平均气温（℃）和年降水量（mm）；3 000是Lieth^［15］统计得到的地球自然植被每年单位面积土地上最高干物质产量。

Thornthwaite Memorial模型：植被生产力不仅与温度和降水量有关，还与其他环境因子有关。Thornthwaite Memorial模型在考虑气温和降水的基础上，利用植物蒸散量来估算气候生产潜力，更能体现出光温、水、热等气候因子对植被生产潜力的影响，其估算更为精确^［13］。

式中：Y_e是蒸散生产潜力（以干物质计量，g·m^-2·a^-1）；E为实际年平均蒸散量（mm）；E_p表示年最大蒸散量（mm）；其他参数与前文保持一致。计算实际年蒸散量时，当P>0.316E_p时，可按式（4）和式（5）计算E，而当P≤0.316E_p时，E=P。

综合模型：综合模型以与植被光合作用密切相关的实际蒸散为基础，综合考虑气温、降水、太阳辐射等诸因子相互作用，由于其增加了大量干旱半干旱地区草地和荒漠等自然植被样本，其对干旱区生产力的模拟效果最好^{［18，29］}。

式中：Y_r表示净第一性生产力（以干物质计量，g·m^-2·a^-1）；RDI为辐射干燥度；R_n表示陆面获得的净辐射量（J·m^-2·a^-1）；P表示年降水量（mm）；L表示蒸发潜热（2 503 J·g^-1）；K为年潜在蒸散量（E_p，mm）与年降水量之比；BT为年均生物温度（℃）；T_d表示日均温（℃），［T_d］为截取算法，当T_d<0时T_d=0，T_d>30时T_d=30。

根据Liebig最小因子定律，取上述多个模型估算结果的最小值作为最终的CPP值：

式中：CPP表示气候生产潜力（以C计量，g·m^-2·a^-1）；C_f表示干物质含碳量（g·g^-1），根据Yu等^［30］测定的中国典型草原植被叶片碳含量（0.4020），本研究将干物质量转换为碳含量，确保与MODIS NPP数据集量纲一致。

草地退化程度的量化需要依赖生物气候带基准面理论^［11］，通过确定气候顶极（初始基准）和退化终极基准面，建立可量化的退化等级划分体系。草地退化程度（GDI）可表示为：

式中：GDI_i 表示第i年的草地退化程度（%），取值［0， 100%］，值越高表示退化程度越严重；NPP_i 表示第i年区域实际净初级生产力（以C计量，g·m^-2·a^-1）；CPP_max表示区域气候生产潜力（以C计量，g·m^-2·a^-1），即初始基准，取计算时段（n年）内各年最大CPP值；NPP_min表示与气候带相适应的退化终极净初级生产力值（以C计量，g·m^-2·a^-1），即终极基准，在干旱半干旱区不妨假定为0，即草地可能退化到完全丧失其生产能力。

GDI通过量化草地生产力与其最大生产潜力之间的差距，直观地反映了草地的退化程度。参照GB 19377—2003《天然草地退化、沙化、盐渍化的分级指标》的规定^［31］，按产草量损失率划分退化等级：GDI<10%为未退化、11%<GDI < 20%为轻度退化、21%<GDI<50%为中度退化、GDI>50%为重度退化。

2001—2023年新疆草地CPP空间分异明显，其空间分布基本格局为北高南低、山地高盆地边缘低，生产力为60~370 g·m^-2·a^-1，平均值为234.6 g·m^-2·a^-1（图2A、2C）。CPP高值区（>300 g·m^-2·a^-1）出现在伊犁河谷、阿拉套山至塔尔巴哈台山一线，低值区出现在塔里木盆地南缘、昆仑山山麓等地区（<100 g·m^-2·a^-1）。实际NPP值空间分布格局与CPP基本类似，但存在空间差异性，高值区一般分布在高海拔山地地区，空间分布较为离散，而低值区（<50 g·m^-2·a^-1）分布在盆地周缘，如准噶尔盆地南北两侧和塔里木盆地边缘绿洲的外围地区（图2B）。

从分布直方图来看（图2C），CPP值呈正态分布，对称且集中，峰度尖锐，峰值在200~230 g·m^-2·a^-1；NPP值则呈正偏态分布，较为分散，峰度低，峰值区在60~90 g·m^-2·a^-1。此外，CPP均值高于NPP均值，且NPP值低于均值的像元占比高，但也有少量像元NPP值超过CPP，这可能与MODIS数据的精确度有关。从各植被区来看（图2D），高寒荒漠地带（ⅧCi）81.7%的草地CPP值在100~150 g·m^-2·a^-1，体现了高寒地区水热条件差、草地生产力低的特点。而温带半灌木灌木荒漠地带（ⅦBi）草地CPP值多介于150~200 g·m^-2·a^-1，其面积占区域草地总面积的79.1%；对于暖温带灌木半灌木荒漠地带（ⅦBiia和ⅦBiib），CPP较高，多为200~250 g·m^-2·a^-1；温带半灌木矮乔木荒漠地带（ⅦAi）CPP更高，多为200~300 g·m^-2·a^-1。各植被区多年平均NPP普遍较低且均低于区内平均CPP值，仅ⅥBia区例外。

2001—2023年新疆草地多年平均CPP为182.8 g·m^-2·a^-1，2016年最高（206.5 g·m^-2·a^-1），2008年最低（165.5 g·m^-2·a^-1，图3A）。年平均CPP表现为波动特征，总体呈微弱下降趋势（β=-0.041 g·m^-2·a^-2，P=0.896>0.05）。年平均NPP波动性与CPP基本相同，但总体上呈现显著的增加趋势（β=0.687 g·m^-2·a^-2，P=0.022<0.05），这与之前的研究结果一致^［23］。通过逐年CPP和NPP计算得到逐年GDI数据，各年GDI均处于［20%， 50%］，其中2001年GDI最高，达到35.5%，而2017年则降至最低的28.3%，表明新疆草地总体上处于中度退化状态（图3B）。2001—2023年GDI总体呈极显著下降趋势（β=-0.194%·a^-1，P=0.002<0.01），表明新疆草地在20多年里正逐渐恢复，但仍然存在明显分段特征。

根据GDI时间序列特征，可将其划分为4个阶段，即2001—2006年（S1），2007—2012年（S2），2013—2016年（S3）和2017—2023年（S4）。S1和S2时段以GDI极显著下降为主要特征，变化趋势分别为-0.539%·a^-1和-1.048%·a^-1（P<0.01），表明2012年前新疆草地退化程度持续减弱，草地健康状态逐步恢复。S3时段内GDI为陡升陡降特征，即先快速退化后迅速恢复，同时段CPP和NPP均大幅降低（图3A），这与降水量波动有关^［23］。而S4时段内草地基本表现为持续退化特征，GDI变化趋势为0.885%·a^-1（P=0.026<0.05），6年间增加了4.9个百分点，而该时段内CPP基本保持稳定，主要由NPP持续下降所致（图3B）。

从空间分布来看，新疆退化草地面积占64%左右，不同退化程度的草地面积依次为重度退化>未退化>中度退化>轻度退化，平均GDI值为33.2%（表1），表明新疆草地整体处于中度退化阶段，与现有研究基本一致^［24］。其中，中重度退化草地约占草地面积的57.8%（分别占23.1%和34.7%左右），集中分布在北疆的准噶尔盆地周缘、伊犁河谷北侧以及塔里木盆地边缘等地区（图4A），这也与新疆主要的牧区分布相一致；轻度退化草地占6.3%左右，占比较少且空间分布较为离散，主要沿中重度退化草地边缘零星分布；未退化草地占36%左右，集中分布于阿尔泰山西麓、天山中部以及昆仑山北麓等山区草地区域。

就S1~S4阶段而言，草地退化空间分布格局基本类似（图4B、C，S2和S3图略），草地退化等级转换的区域主要发生在不同退化类型的接壤地带。在S1到S3时段，草地平均GDI从35.4%下降至31.2%，重度退化草地面积减少了5.7个百分点，中度退化草地面积变化较小，而轻度退化和未退化草地面积则略有增加（表1）。到S4时段，GDI值较前一时期有所升高，这一变化主要由新疆地区重度退化草地面积的增加所贡献。总体而言，山区草地退化程度小于盆地边缘，北疆中重度退化草地面积多于南疆。

由于GB 19377—2003规定的草地退化等级间阈值差异较大，难以分辨不同时期退化程度的转换情况，因而采用GDI变化趋势分析予以替代。根据年平均GDI时间变化特征（图3B），空间变化仅分析2001—2014年（S1+S2）和2017—2023年（S4）两个时段（剔除可能存在局部异常值的S3时段），采用抗异常值干扰的Theil-Sen斜率计算分段趋势^［24］，结果如图4D、E所示。2001—2012年，新疆草地退化程度总体呈减轻趋势，退化程度减轻的草地面积占79.2%，但显著减轻（P<0.05）的区域仅占总面积的5.6%，主要分布于天山北麓；退化程度加重区域占20.8%，主要分布在伊犁河谷以及博斯腾湖流域等地区（图4D）。2017—2023年，新疆草地退化程度总体呈加重趋势，退化程度减轻的草地面积占43.6%，主要分布于阿尔泰山、中天山和昆仑山北麓，但减轻趋势不显著；而退化程度加重区域占56.4%，其中显著加重（P<0.05）的占11.1%，主要分布在伊犁河谷、博斯腾湖流域以及准噶尔盆地周缘等地区（图4E）。空间趋势分析表明，过去20余年新疆草地退化程度整体趋于减轻，但局部地区存在恶化现象。

从各植被区来看，各分区内的草地退化程度存在显著差异，除高寒荒漠地带（VIIICi）外，各区草地退化变化趋势呈现出较高的一致性（图5）：在S1~S3时段退化程度有所减轻，而在S4时段退化程度则有所加剧。VIIICi地带的草地退化程度较高，但研究时段内重度退化草地面积显著减少，重度退化面积占比从S1时段的49.5%持续减少至S4时段的34.8%；分布于VIIBiia地带内的草地，因其主要处于盆地边缘的山麓带，水分条件稍好，未退化草地面积占比较高（约50%），退化程度相对较低，重度退化面积占比在15%左右，中度退化面积不超过30%；VIIBiib地带主要分布的是荒漠草地^［12］，退化程度最为严重，重度退化草地面积占比在70%左右，但分析时段内重度退化草地面积趋于减少；主要分布于准噶尔盆地周缘的VIIAi地带的草地退化程度较高，重度退化草地面积占比接近50%，S1~S3时段退化程度趋于减轻，但S4时段退化程度转为加重；VIIBi地带的草地主要分布于东疆地区，总面积较小，重度退化面积占比20%以下；VIBia地带的草地主要分布于阿尔泰山西麓，这里水分条件相对较好，因此总体退化程度较低，中、重度退化草地面积占比在40%左右，未退化草地面积超过55%。

初级生产力是生态系统功能的核心，直接表征植物光合固碳能力，并且生产力动态变化受光、温、水、土、CO₂及人类干扰等多种环境因素影响，是表征生态系统健康状态的综合指标^［2，13］。现有研究常用的单因子指标（如NDVI、MSAVI、FVC和LAI等）虽可表征生态系统生产能力，但在跨越湿润区到极端干旱区等大尺度退化评估中存在显著局限，由于生物气候带的不同导致生态系统演化的气候顶极不可能完全一致^［11］，因而这些指标难以克服地带性效应的影响，造成评估结果产生系统性偏差。例如，荒漠草原的植被覆盖度要显著低于典型草原^［32］，而如果采用植被覆盖度划分退化程度等级，则会导致荒漠草原退化程度被严重高估，而采用初级生产力作为评估指标则不受区域限制，适用于跨越不同生态地理区的研究范围（图5）。例如，2012年相关统计表明，新疆85%的天然草地出现不同程度的退化，其中严重退化面积占40%左右^［21］，与本研究中2007—2012年重度退化面积36.5%的结果较为接近（图4和表1），而马丽莎等^［24］通过FVC分析得出近20年新疆重度退化草地面积仅2.1%，其结果与官方统计及本研究结果均相去甚远。因此，本研究以植被生产力作为评估指标具有一定可靠性，未来研究中需要对比不同评价指标和方法的适用性，其评估结果的准确性也亟须大量野外调查工作加以验证。此外，以NPP作为单一对比指标，其代表性可能存在不足之处。一方面，当植被生产力没有降低至生态系统弹性阈值以下时，这种退化是可恢复的^［33］，但就其结果而言，一段时期生产力的下降足以产生外部性影响；另一方面，NPP变化也难以反映群落尺度的退化过程，例如草地灌丛化这一退化过程往往伴随着系统总生产力的提高^［34］，而基于NPP的评价结果与现实情况则截然相反。

本研究采用Miami、Thornthwaite等经典的经验模型计算CPP，其算法较为简易且所需数据易于获得，给该评估框架带去应用上的便利。但由于这类经验模型开发之初，全球可用观测数据不足，特别是缺乏覆盖干旱区及高海拔地区的样本^［18］，且没有考虑到CO₂浓度的施肥效应^［35］，导致计算的CPP值不确定性较高，直接应用存在一定误差。尽管如此，基于自然基准的评估框架仍然具有极大应用潜力^［5］。通过耦合光、温和水分计算的CPP充当自然基准指标，以NPP作为综合对比指标，由于二者的计算具有环境一致性和时空一致性，不仅克服了地带效应的影响（图5），而且也便于跨区域横向比较。过去几十年中，全球生态网络监测积累了大量观测数据，融合多源遥感数据和机器学习算法以及借助生态模型有望提升CPP估算精度，增强该评估框架的可应用性。另外，这种方法仅适用于稳定草地的退化评估，对于发生植被覆盖类型转换的退化类型则不适用。

本研究通过实际NPP与CPP的差值量化了草地退化程度，虽然该方法在机理上更具解释力，但与基于NDVI或FVC的传统评估方法存在指标差异，导致横向可比性受限。部分像元的实际NPP要高于CPP值（图2），其原因与MODIS数据精度有关，MODIS数据源为中分辨率，混合光谱效应显著，其土地利用总体分类精度也仅为73.6%^［36］，因而基于此计算的实际NPP值可靠性较低，影响草地退化程度评估结果的准确性。从分析结果来看，新疆草地总体处于中度退化状态，过去20年草地退化程度有所减轻，与相关研究结果一致^［22-23］，这种变化趋势与全球变暖背景下新疆地区气候趋于暖湿化有关^{［22，37］}。2011—2015年新疆开始实行草原生态保护补助奖励政策^［38］，而该时段内草地退化程度仍呈加重趋势（图3），可能由同期干旱所致^［39］；同时2017年后草地退化程度也呈增加趋势，与该时段内降水量减少有关^［40］，表明气候因子对植被生长的决定性作用。从草地退化空间分布来看，山区草地退化程度小于盆地边缘，北疆中重度退化草地面积多于南疆，这种分布格局与马丽莎等^［24］的研究类似，但后者研究指出近20年新疆草地退化程度整体处于中、轻度水平，北疆地区以未退化和轻度退化为主，南疆则以轻度、中度退化为主，而本研究结果较为接近官方统计结果^［21］。造成这种差异的根本原因在于所选评估指标及所用评估方法的不同，因而在退化等级划分上存在显著差异。

比较基准是草地退化程度量化及综合评估的基础。本研究构建了以气候生产潜力为自然基准的草地退化评估方法，实现了新疆草地退化程度的定量化评估。结果表明：①2001—2023年新疆草地气候生产潜力为60~370 g·m^-2·a^-1，呈现显著的空间分异特征，表现为北高南低、山地高盆地边缘低的分布格局；②新疆退化草地面积占草地面积的64%左右，总体处于中度退化状态（平均退化程度值为33.2%），呈现山区草地退化程度小于盆地边缘、北疆中重度退化草地面积多于南疆的格局，在分析时段内新疆草地正逐渐恢复，退化程度有所减轻，但仍保持中度退化状态；③趋势分析表明，过去20余年新疆草地退化程度整体趋于减轻，但局部地区存在恶化现象，如伊犁河谷、博斯腾湖流域以及准噶尔盆地周缘等部分地区。该评估框架具有明确的生态学意义，比较逻辑清晰，未来融合多源遥感数据、引入机器学习算法或结合生态模型以提升气候生产潜力的估算精度并进行实地验证有望增强其可应用性。